受蛲虫大脑启发构建新AI系统 利用更少的神经元控制车辆

从搜索引擎到自动驾驶汽车，人工智能已经进入人们的日常生活，这与近年来取得的巨大算力密不可分。然而，最近的一项研究结果表明，与以前的研究相比，使用更简单、更小的神经网络可以更好、更高效、更可靠地解决某些任务。

该团队在一项重要任务上测试了新的神经网络：让自动驾驶汽车保持在车道上。据外媒报道，由维也纳理工大学、奥地利科学技术研究所和美国麻省理工学院组成的国际研究团队开发了一种新型人工智能系统，该系统基于蠕虫等小动物的大脑结构，并且可以使用少量的神经元来控制交通工具。该小组表示，与以前的深度学习模型相比，该系统具有决定性的优势，例如能够更好地处理有噪声的输入信号。此外，由于其简单性，该系统可以对其操作模式进行详细解释，这不是一个复杂的“黑匣子”，但可以被人类理解。与大脑类似，人工神经网络也由许多独立的细胞组成。当一个细胞处于活动状态时，它会向其他细胞发送信号。下一个小区将组合所有接收到的信号，以确定它是否也应该变为活动的，也就是说，一个小区影响下一个蜂窝的活动的方式决定了系统的行为。在自动学习过程中，对这些参数进行调整，直到神经网络能够解决特定任务。研究人员表示：多年来，我们一直在研究可以从大自然中学到什么来提高深度学习。例如，秀丽隐杆线虫的神经元少得惊人，但仍然表现出非常有趣的行为模式，因为线虫的神经系统以高效和谐的方式处理信息。《自然》告诉我们，仍有很大的改进空间。因此，我们的目标是显著降低神经网络模型的复杂性，提高可解释性。受自然的启发，我们开发了一种由神经元和突触组成的新数学模型。神经网络中单个细胞内部信号处理的数学原理与以前的深度学习模型不同，而且神经网络非常稀疏，这意味着不是每个细胞都与其他细胞连接，这也可以使网络变得更简单。为了测试新网络，研究团队选择了一项特别重要的测试任务：让自动驾驶汽车保持在车道上。该神经网络可以接收来自道路摄像头的输入信息，并决定车辆是自行向右行驶还是向左行驶。研究人员表示，“如今，具有数百万参数的深度学习模型通常用于学习自动驾驶等复杂任务。然而，我们的新方法使我们能够将网络的大小缩小两个数量级，只使用75000个可训练参数。”研究人员还解释说，新系统由两部分组成：首先，摄像头输入信息由卷积神经网络处理。该网络只感知视觉数据，从输入像素中提取结构特征，确定哪些部分有趣和重要，然后将信号传输到网络的关键部分——“控制系统”——以控制车辆。两个子系统堆叠在一起并同时进行训练。大波士顿地区的人类驾驶交通视频被收集并输入网络。有了关于如何在特定情况下控制车辆的信息，该系统可以学会自动将图像与适当的驾驶方向连接起来，并独立处理新情况。该系统的控制部分仅由19个神经元组成，可以将感知模块的数据转换为控制指令。研究人员表示，与最先进的模型相比，NCP的规模要小三个数量级。这种新的深度学习模型在一辆真正的自动驾驶汽车上进行了测试。研究人员表示，“我们的模型使我们能够看到车辆行驶时网络关注的内容。我们的网络关注摄像头图像中非常特定的部分：路边和地平线，这种行为是独特的。此外，我们可以确定每个细胞在任何驾驶决策中的作用，并了解单个细胞的功能和行为。”。“研究人员还表示：为了将NCP的鲁棒性与以前的深度模型进行比较，我们对输入图像进行了干扰，并评估了代理……的能力……

处理有噪声的信号。对于其他深度神经网络来说，这个问题很难克服。然而，我们的NCP可以抵抗输入的伪信号。我们新模型的两个主要优势是可解释性和鲁棒性，但也有其他优势，如减少训练时间和能够在相对简单的系统中实现人工智能。此外，我们的NCP可以将模拟学习应用于仓库自动化、机器人运动和其他应用。新方法为人工智能社区开辟了新的前景，生物神经系统的计算原理可以成为构建高性能可解释人工智能的巨大资源，取代现有的黑匣子机器学习系统

标签：

汽车资讯热门资讯